[发明专利]一种轴承故障的诊断方法及装置

说明书

本发明涉及机械故障诊断技术领域，具体涉及一种轴承故障的诊断方法及装置，通过采集轴承的振动数据，从而确定训练集、验证集和测试集，进而搭建一维深度残差卷积神经网络模型，在初步确定所述模型的结构参数和训练参数后，将所述验证集输入模型中进行自残差训练，经过验证和调整得到训练好的模型，最后将测试集输入至训练好的模型中，从而预测出测试集的故障诊断结果，本发明直接使用原始的振动信号作为输入，降低了获得训练样本的难度，通过结合一维深度残差卷积神经网络模型和自残差训练，提取更加深层的故障特征和更加抽象的信息，具有高的分类精度的同时，又降低了训练的难度。

技术领域

本发明涉及机械故障诊断技术领域，具体涉及一种轴承故障的诊断方法及装置。

背景技术

基于传统机器学习的故障诊断方法一般有两个步骤，特征提取和分类。因为收集的振动信号是原始时间序列信号，包含有利信息和噪声，所以，从原始的振动信号中提取有利信息成为必要。从原始信号中提取代表性特征的常见信号处理技术包括时域统计分析，小波变换和傅里叶谱分析。通常在特征提取之后，进行特征选择以消除无用且不敏感的特征。常见的特征选择方法包括主成分分析(PCA)，独立成分分析(ICA)和特征判别分析。提取完代表性特征后，训练分类器，包括支持向量机(SVM)，K近邻(KNN)，随机森林，决策树等。训练后，在测试样本上测试分类器，以计算其识别能力。传统的算法在训练时间和模型精度上都已经落后于深度学习算法。

基于机器学习的新分支形成的深度学习开始进入研究者们的视线，使用卷积神经网络来诊断机械部件的故障已经成为热点。卷积神经网络应用在计算机视觉时，数据输入通常是二维的，应用于处理自然语言处理和语音识别任务时，数据输入通常是一维的。

更深的卷积神经网络可以捕捉更丰富和更高级别的信号，同样，更深的层次也会带来缺陷。首先，反向传播通过链式求导规则计算梯度，当层数增加时，这很容易导致梯度的指数减小或者增加，容易遇到消失或爆炸的梯度问题，使得训练变得更加困难。其次，网络退化是另一个主要问题，导致训练样本的训练误差增加。这极大地限制了卷积神经网络在故障诊断领域的发展。

发明内容

本发明的目的在于提供一种轴承故障的诊断方法及装置，旨在解决了上述问题，具有高的分类精度的同时，又能降低训练的难度。

为了实现上述目的，本发明提供以下技术方案：

一种轴承故障的诊断方法，包括以下步骤：

步骤S1、以设定频率采集轴承在一段时间内的振动数据；

步骤S2、根据所述振动数据确定训练集、验证集和测试集；

步骤S3、搭建一维深度残差卷积神经网络模型，确定所述一维深度残差卷积神经网络模型的结构参数和训练参数，所述结构参数包括卷积核大小、降采样率、残差块数目，所述训练参数包括训练的轮数、学习率；

步骤S4、将所述训练集输入所述一维深度残差卷积神经网络模型进行自残差训练；

步骤S5、将所述验证集输入所述一维深度残差卷积神经网络模型进行验证，得到所述一维深度残差卷积神经网络模型的评价指标和性能指标；

步骤S6、判断所述评价指标和性能指标是否低于阈值，若是，调整所述结构参数和训练参数，并跳转到步骤S4，若否，保存一维深度残差卷积神经网络模型；

步骤S7、将所述测试集输入至训练好的一维深度残差卷积神经网络模型中，预测出测试集的故障诊断结果。

具体地，所述步骤S1包括：

获取轴承在各种状态下的原始时间序列信号，并以设定的采样频率和采样时长提取所述原始时间序列信号，其中，所述各种状态包括轴承正常、轴承磨损、轴承断齿、轴承削齿、轴承裂纹。

具体地，所述步骤S2包括：